Univalle


Análisis de Series de Tiempo y Pronósticos ARIMA

Estudio Empírico sobre el Precio de Acciones de Tesla Inc.


1. Introducción

1.1 Relevancia del Análisis

[PLACEHOLDER: Explica la relevancia de Tesla, su importancia en el mercado global, volatilidad e impacto para inversionistas]

El análisis de series de tiempo en los mercados financieros es fundamental para la toma de decisiones estratégicas. Las acciones de Tesla Inc. representan un caso de estudio particularmente interesante debido a su volatilidad inherente y su impacto significativo en los mercados globales.

1.2 Metodología: Modelos ARIMA

[PLACEHOLDER: Introduce los conceptos fundamentales de ARIMA, su importancia y utilidad en pronósticos de series temporales]

Los modelos ARIMA combinan componentes autorregresivos, de integración y de media móvil para capturar dinámicas complejas en datos temporales.


2. Descripción de la Serie Temporal

2.1 Contexto Histórico

[PLACEHOLDER: Contexto de Tesla Inc., su cotización en bolsa, período de análisis seleccionado, eventos significativos que han afectado el precio]

2.2 Estadísticas Descriptivas

[PLACEHOLDER: Carga tus datos y proporciona estadísticas completas de la serie]

# Cargar datos de Tesla
datos_tesla <- read.csv("tesla_data.csv")
summary(datos_tesla$Close)
sd(datos_tesla$Close)
Estadístico Valor
Media [Inserta]
Mediana [Inserta]
Desv. Est. [Inserta]
Mínimo [Inserta]
Máximo [Inserta]

3. Resultados del Modelo ARIMA

3.1 Evaluación de Estacionariedad

[PLACEHOLDER: Documenta pruebas de estacionariedad KPSS y ADF. Interpreta resultados]

library(urca)
library(tseries)

summary(ur.kpss(datos_tesla$Close))
adf.test(datos_tesla$Close)

3.2 Análisis ACF y PACF

[PLACEHOLDER: Inserta gráficos ACF y PACF. Analiza patrones de autocorrelación]

library(ggplot2)
ggtsdisplay(diff(datos_tesla$Close))

3.3 Selección del Modelo

[PLACEHOLDER: Documenta parámetros p, d, q seleccionados y justificación]

Parámetro Valor Justificación
p [ ] [Basado en PACF]
d [ ] [Basado en tests de estacionariedad]
q [ ] [Basado en ACF]

3.4 Ajuste del Modelo

[PLACEHOLDER: Resumen del modelo ARIMA ajustado con coeficientes interpretados]

library(forecast)
fit <- auto.arima(datos_tesla$Close, seasonal=FALSE)
summary(fit)

3.5 Diagnóstico de Residuos

[PLACEHOLDER: Análisis de residuos: gráficos, pruebas de normalidad y autocorrelación]

checkresiduals(fit)

3.6 Pronósticos

[PLACEHOLDER: Pronósticos para períodos futuros con intervalos de confianza]

forecast_tesla <- forecast(fit, h=10)
autoplot(forecast_tesla)

4. Conclusiones

4.1 Hallazgos Principales

[PLACEHOLDER: Resumen de hallazgos principales del análisis ARIMA]

4.2 Implicaciones Prácticas

[PLACEHOLDER: Implicaciones de los pronósticos para inversionistas y analistas de mercado]

4.3 Limitaciones del Análisis

[PLACEHOLDER: Limitaciones del modelo y aspectos no capturados]

4.4 Recomendaciones Futuras

[PLACEHOLDER: Sugerencias para mejoras y extensiones del análisis]

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
ASIGNATURA: Gestión de Datos
PROFESOR: Orlando Joaqui-Barandica
UNIVERSIDAD: Universidad del Valle
FACULTAD: Facultad de Ingeniería
PROGRAMA: Ingeniería Industrial
ESTUDIANTE: Camilo
FECHA ENTREGA:
VERSIÓN: 1.0
Documento generado con R Markdown | Tema: Series de Tiempo y Pronósticos ARIMA
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━